基于Labview的某型船用泵電機軸承狀態監測系統

雷威，潘永軍，韓宗真

（武漢第二船舶設計研究所，湖北 武漢 430064）

中小型感應電機以其結構簡單、運行可靠、效率較高、制造容易等優點在生產生活中應用廣泛。在船舶上，各類泵、風機等設備均采用異步電機作為原動機，因此，電動機的運行狀態直接關系到船舶的運行狀態。然而，軸承作為船用電機的關鍵部件，同時，也是最容易損壞的部件。數據表明，軸承故障導致的船用電機故障比例占船用電機故障的40%以上。如果船用電機軸承出現故障，輕則停機檢修，影響使用；重則機毀人亡，造成惡劣影響及難以估計的損失。因此，采用有效的狀態監測手段，準確地監測船用電機軸承的狀態，及時發現隱患，可以提前準備備件，對存在隱患部位進行重點檢修，不僅能夠節省時間和費用，而且能夠有效地避免事故的發生。因此，開展船用電機軸承狀態監測研究，對于提高設備運行可靠性以及避免事故發生具有重大的意義。

由于船舶上泵用電機軸承運行環境苛刻，采集到的狀態信號中常常包含大量的噪聲，使得軸承的狀態監測尤為困難。為了解決某型船用泵電機軸承早期故障難以識別、狀態監測自動化程度低等問題，本文針對船舶上典型的泵用電機軸承，設計了一種基于Labview的船用電機軸承狀態監測系統。

1 特征提取

船舶上泵用電機軸承運行工況惡劣、故障數據信噪比低，僅用單域特征不能夠完整描述其運行狀態，需要從多個分析域提取故障特征，進而從各個方面反映軸承的故障狀態。

1.1 特征提取

（1）時域特征參數。信號的時域參數是信號的時域統計分析參數。時域參數指標主要包括有量綱參數指標和無量綱參數指標。這些時域特征參數從統計學角度出發，計算簡單，物理意義明確，因而很早就被應用于滾動軸承的狀態監測和故障診斷。

（2）頻域特征參數。船用電機軸承的運行狀態出現變化時，該信號的頻譜結構也會隨之發生變化，比如，主頻位置、各頻率能量占比等。因此，可以通過滾動軸承振動信號的頻域特征反映其運行狀態。

（3）時頻域特征參數。小波分析具有優秀的時、頻局部化的性質，克服了傳統傅里葉變換不能同時進行時域、頻域分析的缺點，適用于非平穩信號的分析。因此，本文提取了信號的連續小波能量譜作為時頻域的特征參數。

振動信號的連續小波在尺度方向上的能量，定義如式（1）所示：

1.2 數據降維

不同的指標能夠表征的故障信息是不一致的，在構造的混合域故障特征集中，包含部分非敏感特征甚至是干擾特征量，將嚴重影響故障識別的效果。因此，有必要對混合域故障特征集進行降維，提取出有效的特征子集。

PCA（Principal Component Analysis，PCA）是一種基于特征融合的維數約簡方法，能夠有效地降低高維數據的維數，并保留原數據集的大部分信息，因此，在數據降維和信息壓縮中應用廣泛。

2 船用電機軸承狀態監測模型

2.1 隱馬爾科夫模型

由于船用電機軸承在運行時處于密封狀態，只能通過采集的信號推測軸承的運行狀態，而HMM（Hidden Markov Model，HMM）同樣是通過觀測序列來推測模型的隱藏狀態及其聯系，因此，HMM非常適用于軸承的狀態監測及故障診斷。

2.2 基于HMM的船用軸承狀態監測模型

船用電機軸承在發生故障時，其外在表征會發生變化。可以用一個條件概率來表示該過程，即給定條件是外在表征，計算在該給定條件下船用電機軸承處于某種故障的概率，通過對比各個概率值，實現對船用電機軸承的狀態的識別。

當船用電機軸承在正常狀態運行時，其外在表征往往也服從同一分布，即在某個范圍內波動；當船用電機軸承的運行狀態發生變化時，其外在表征的波動范圍也會脫離原來的分布。基于此，提出了基于HMM的船用電機軸承狀態監測。具體方法為：訓練船用電機軸承正常狀態時的HMM模型，并將實時采集的船用電機軸承的信號作為待診斷信號輸入正常HMM中，計算該信號是由正常HMM產生的概率。通過此概率值的變化來監測船用電機軸承的運行狀態，圖1是使用HMM監測船用電機軸承狀態流程。

圖1 基于HMM的滾動軸承狀態監測流程

3 系統設計

3.1 硬件組成

基于Labview的某型船用電機軸承狀態監測系統由硬件和軟件兩部分組成。硬件部分包括振動傳感器、低通濾波器、數據采集卡和計算機等。硬件部分的主要功能是采集船用電機軸承的振動信號，對該信號進行濾波，并將其數字化，便于在計算機上顯示、分析以及存儲。系統硬件部分示意圖如圖2所示。

圖2 硬件部分示意圖

3.2 軟件設計

根據圖1所示的流程圖編制的船用電機軸承狀態監測系統的Labview程序框圖如圖3所示，將實時采集的信號經過提取信號特征、特征集降維等步驟，輸入正常狀態下的HMM模型中。模型給出該信號由正常狀態下產生的概率，該概率值會隨著船用電機軸承狀態的改變而變化。當船用電機軸承處于正常狀態時，模型輸出的概率值服從同一分布；當船用電機軸承發生故障時，模型輸出的概率值將脫離原來的分布。因此，根據法則設置閾值，當概率值超出閾值時給出警報，為了避免出現偶然誤差，可以設置連續幾次超出閾值時給出故障警報。

4 實驗驗證

滾動軸承狀態監測實驗使用美國Intelligent Maintenance System Center的軸承生命周期數據，實驗臺如圖4所示。實驗過程中軸承的轉速為2000r/min，并對軸承施加26.6kN的徑向載荷。數據采集的頻率設置為20480Hz，數據采集間隔為10min，每次采集1s。直至某軸承出現失效停止實驗，實驗過程采集984組數據。表1為實驗用軸承的幾何參數。

圖3 船用電機軸承狀態監測系統Labview程序框圖

圖4滾動軸承狀態監測實驗臺

表1 滾動軸承的參數

圖5中橫坐標為按照時間順序排列的每組數據的編號。可以看到隨著實驗的進行，在0～700組數據時，特征值沒有明顯變化，在700組之后，時域指標值相比于0～700組開始出現明顯變化，說明軸承開始出現故障。

圖5 軸承全壽期數據歸一化的部分時域特征

圖6是基于Labview的船用電機軸承狀態監測系統的控制界面，圖中曲線表示隨著軸承運行，軸承在正常狀態下的似然概率值。圖中直線之間的范圍表示正常狀態似然概率值的范圍。當正常狀態HMM輸出的似然概率值連續5次超出閾值時，系統給出警報。選取前50組數據用于訓練正常狀態的HMM模型。訓練完成后，將軸承全壽命周期的數據輸入正常狀態的HMM模型中，通過正常狀態的HMM模型輸出的似然概率值反應軸承的狀態。從控制界面可以看出，在第540組數據時故障指示燈亮起，并給出故障警報信息。說明相比于傳統的信號特征，該系統對軸承早期故障更加敏感，在狀態監測的過程中能夠準確地檢測軸承早期故障。

圖6 船用電機軸承狀態監測系統的控制界面

5 結語

本文介紹了一種基于Labview的某型船用泵電機軸承狀態監測系統。首先，介紹了船用泵電機軸承特征提取方法以及降維方法；然后，介紹了基于HMM的船用泵電機軸承狀態監測模型，并對系統的的硬件部分以及軟件部分的設計方法進行介紹；最后，對系統的使用效果進行實驗驗證，實驗結果表明，系統對軸承早期故障敏感，能夠在軸承故障早期給出警報，對船用泵的預防性維修具有重要意義，并為其狀態監測的工程應用奠定了技術基礎。